Wichtige Details

Automatisierte Prozesse und verbesserte Kundenerfahrung.

Kunde

Der Kunde ist ein E-Commerce-Anbieter, der mit mehr als 50 Marken zusammenarbeitet. Der Kunde war an einer Lösung für die Generierung von Empfehlungen für einzelne Marken interessiert. Das Unternehmensziel war es maschinelles Lernen (ML) einsetzen um den Umsatz zu steigern, das Kundenerlebnis zu verbessern, neue Kunden zu gewinnen und treue Nutzer der Online-Plattform zu binden. ESSID Solutions wurde mit der Bereitstellung einer High-End-Lösung betraut, weshalb diese Fallstudie die bewährte Expertise von ESSID Solutions hervorhebt in der Nische des elektronischen Handels.

Herausforderung: Empfehlungsalgorithmus auf der Grundlage spärlicher Daten trainieren

Der Kunde beauftragte unser Team mit der Entwicklung eines benutzerdefinierten prädiktiven Analyse- und Empfehlungssystems, um die bestehende E-Commerce-Plattform zu verbessern und den Umsatz zu steigern. Und der Aufbau eines guten Empfehlungssystems erfordert idealerweise einen großen und vielfältigen Datensatz zum Nutzerverhalten, der Kaufhistorie, Produktseitenaufrufe, Likes, Bewertungen, Rezensionen usw. umfassen kann.

Zu Beginn stießen wir auf Datenbeschränkungen. Zu diesem Zeitpunkt hatten wir nur die Kaufhistorie zur Verfügung. Hinzu kam, dass ein großer Teil der Nutzer nur eine recht geringe Anzahl von Käufen hatte. Und das war die einzige Art von Nutzerdaten, mit denen wir arbeiten konnten. Die Datenknappheit erschwerte also unsere Aufgabe, ein E-Commerce-Analysesystem zu entwickeln und ein Empfehlungsmodell zu trainieren. Die Herausforderung bestand darin, die begrenzten Daten über die Kaufhistorie der Nutzer anzuzapfen und sie für die Vorhersagemodellierung zu nutzen.

Lösung: Prädiktives Analysemodul für E-Commerce-Plattform

Unser Entwicklungsansatz basiert auf kollaboratives Filtern Technik, die auf Matrixfaktorisierung basiert und in Empfehlungssystemen verwendet wird. Wir haben keine spezifischen Daten über die Benutzer oder Produkte verwendet. Wir haben lediglich historische Daten über die Interaktionen zwischen Nutzern und Produkten gesammelt und auch Informationen über die positiven Präferenzen der Nutzer für ein Produkt abgerufen. Daher haben wir uns für eine einfache, aber bewährte Implementierung entschieden, die implizite ALS um unser Modell auf spärlichen Daten zu trainieren. Außerdem verfügten wir über eine angemessene Menge an Daten über die Anzahl der Benutzertransaktionen, die vom Kunden zur Verfügung gestellt wurden. Die gesammelten Daten wurden zum Trainieren des ML-Modells verwendet, das ein benutzerdefiniertes Empfehlungssystem unterstützen sollte.

Wir haben die Vertrauensmetrik um das Modell so zu trainieren, dass es mehrfach gekaufte Artikel gegenüber nur einmal gekauften Artikeln hervorhebt. Außerdem gab es eine beträchtliche Anzahl von Nutzern mit wenigen Käufen, was für das Empfehlungsmodell nicht ausreichte, um eine zuverlässige Vorhersage zu treffen. Daher haben wir verschiedene zusätzliche Techniken eingesetzt, um die Empfehlungen des Modells zu verbessern. Dadurch konnte der Algorithmus die Vorlieben der Nutzer besser verstehen und vermeiden, allen Nutzern die gleichen Artikel zu empfehlen.

Wir wendeten mehrere Filter an, um das Modell genauer und für die Unternehmensziele relevanter zu machen:

• Empfohlene Artikel haben das Etikett "auf Lager".
• Benutzer haben noch keine empfohlenen Artikel gekauft
• Benutzer melden sich für E-Mail an

Infolgedessen erhalten relevante Kategorien von Nutzern Empfehlungen, die sie mit den Dienstleistungen des Kunden zufriedener machen.

Ergebnis: ML-basierte Lösung zur Automatisierung von Prozessen und Verbesserung der Kundenerfahrung

Wir lieferten das Modell so, dass es den Geschäftsanforderungen des Kunden entsprach und für die Erledigung der folgenden Aufgaben verwendet werden konnte:

• Artikel für einen bestimmten Benutzer empfehlen
• Finden Sie ähnliche Benutzer auf der Grundlage von Artikelpräferenzen
• Empfehlen Sie Nutzer, die am ehesten einen bestimmten Artikel kaufen würden
• Ähnliche Artikel empfehlen

Unsere Lösung entsprach perfekt den Geschäftsanforderungen des folgenden Kunden:

• Machen Sie den Suchprozess hochgradig personalisiert
• Automatisierung der Routineaufgaben von Verkäufern
• Sicherstellung eines großartigen Online-Einkaufserlebnisses
• Stärkung der Kundentreue

Mit der Hilfe von professionellen Dienstleistungen zur Entwicklung prädiktiver Analysen des Teams von ESSID Solutions erwarb der Kunde einen KI-gestützten MVP.

Optimieren Sie Ihre Geschäftsprozesse mit unserem Prädiktive Analytik-Dienstleistungen